二零二三年 优质公开课TFIDF算法.pptx

TF-IDF算法 目 录ContentsTF-IDF算法概述 1PART概述 概述如果某个词或短语在一篇文章中出现的频率很高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类通过计算词语的权重，可以找出文档中的关键词，从而确定分类的依据。常用的词语权重计算方法为TF-IDF算法。 概述TF-IDF算法的公式词频TF的计算公式TF－IDF=TF (词频) ×IDF (逆文档频率)逆文档频率IDF的计算公式 2PARTTF-IDF算法 TF-IDF算法TF-IDF值越大，则说明这个词对这篇文章的区分度就越高，取TF-IDF值较大的几个词，就可以当做这篇文章的关键词。例如，一个文档中一共有100个单词，其中单词flower出现的次数为5，则TF=5/100，结果为0.05。样本中一共有10 000 000个文档，其中出现单词flower的文档有1 000个，则IDF= log(10 000 000/1 000)，结果为4。因此，flower的TF-IDF值为：TF－IDF=TF×IDF=0.05×4=0.2。 nltk.text模块中提供了TextCollection类来表示一组文本，它可以加载文本列表，或者包含一个或多个文本语料库，并且支持计数、协调、配置等，例如创建一个TextCollection实例，代码如下。TF-IDF算法 如果想知道某个单词在文本中的权重，则需要调用方法实现，该方法会返回一个tf_idf值，示例代码如下。TF-IDF算法 参考文献[1] 黑马程序员.Python数据分析与应用:从数据获取到可视化.中国铁道出版社：2019. TF-IDF算法